JURNAL AUSTENIT VOLUME 4, NOMOR 1, APRIL 2012

ANALISA PARAMETER KEKASARAN PERMUKAAN BAHAN

ALUMUNIUM JENIS Al Mg Si 3.6082 DIN 1725 PADA
PROSES PEMESINAN CNC MILLING

1) 2) 3)
Moch Yunus , Didi Suryana , Mulyadi
1)2)3)
Staf Pengajar Jurusan Teknik Mesin Politeknik Negeri Sriwijaya
Jl. Srijaya Negara Bukit Besar Palembang 30139
Telp: 0711-353414, Fax: 0711-453211

Abstrak

Proses pemesinan akan menghasilkan produk yang baik/sesuai dengan

intruksi kerja ditentukan oleh proses finishingnya, sementara masih banyak
operator/mekanik mesin perkakas hingga kini masih dihadapkan pada masalah
penentuan parameter pemesinan seperti cutting speed, feed rate, dan dept of
cut.Melalui hasil penelitian ini diharapkan dapat memberikan kontribusi berupa
tolok ukur parameter optimal pada operasi CNC Milling.Penelitian dilakukan
dengan cara eksperimen bahan Al Mg Si 3.6082 DIN 1725 dengan menggunakan
CNC Milling. Setiap spesimen yang telah dikerjakan pada CNC Milling dengan
tiga variasi cutting speed, feed rate, dan dept of cut diukur kekasaran
permukaannya (Ra). Dari hasil data eksperimen selanjutnya dianalisa dengan
model regresi untuk mendapatkan model matematik. Model matematik yang
dihasilkan berupa persamaan regresi Y = 0,880 – 0,001 n – 0,004 f + 0,316 a
dengan tingkat kelayakan 69,8 %.

Kata Kunci : CNC Milling, Al Mg Si 3.6082 DIN 1725, kekasaran permukaan,

regresi linier

Abstract

Machining process will produce a good product / work in accordance with

the instructions specified by the finishing process, while still a lot of operator /
mechanic machine tools are still faced with determining machining parameters
such as cutting speed, feed rate, and the dept of cut.Melalui results of this study
expected to contribute a measure of optimal parameters in CNC operations
carried out by means of experiments Milling.Penelitian Al Mg Si material 3.6082
DIN 1725 using a CNC Milling. Any specimen that has been done on a CNC
Milling with three variations of cutting speed, feed rate, and the dept of cut
measured surface roughness (Ra). From the results of further experimental data
are analyzed with regression models to obtain mathematical models.
Mathematical models that produced a regression equation Y = 0.880-0.001 n-
0.004 f + 0.316 a 69.8% level of eligibility.

Keywords: CNC Milling, Al Mg Si 3.6082 DIN 1725, surface roughness, linier

regression

1. PENDAHULUAN adalah menghasilkan solusi sederhana

Hasil proses produksi yang terkait
dengan proses permesinan ditentukan oleh
kondisi penyayatan/pemotongan. Untuk itu
F.W.Taylor seorang peneliti dibidang operasi
mesin perkakas pada awal abad 19 telah
melakukan eksperimen selama 26 tahun
yang menghasilkan lebih dari 30.000
eksperimen dan menghasilkan 400 ton
geram (Jerard et al, 2001). Tujuan utamanya
tentang permasalahan dalam menentukan
kondisi pemotongan yang aman dan
efesien.
Yang dan Chen (2001),
menggunakan metode Taguchi untuk
merancang prosedur sistematis agar
diperoleh parameter yang menghasilkan
performa pemesinan optimal serta proses
kendali mutu operasi mesin frais. Mesin
yang digunakan Fadal VMC-14 Vertical

~33~
 VOLUME 4, NOMOR 1, APRIL 2012
Milling dengan pahat HSS empat flute dan
bahan ujinya jenis Alumunium 6061.
Parameter optimum yang dihasilkan berupa
depth of cut 0,2 inch, spindle speed 5000
rpm, feed rate 10 inch/menit dan tool
diameter 0,75 inch dengan interval
keyakinan 95 % serta rata-rata kekasaran
permukaan 23 μinch. Lebih pe ifik pada
topik operasi surface finish.
Lou et al (1998) membuat prediksi
atas kekasaran permukaan alumunium
6061. Mesin yang digunakan Fadal CNC
End Milling, hasil prediksinya benda pada
akurasi 90,29% untuk training data dan
90,03 % untuk testing data. Ditinjau dari
parameter pemesinan, diketahui lewat uji
statistik bahwa feed rate memegang
peranan penting dalam menghasilkan
kekasaran permukaan pada operasi end
milling yang diteliti.
Taylor percaya bahwa solusi tersebut
secara empiris dapat diselesaikan dalam
waktu kurang dari setengah menit oleh
mekanik/operator yang handal lewat
pengalaman mereka. Permasalahannya
adalah para mekanik/operator yang handal
tersebut mengalami kesulitan dalam
penularan pengetahuannya secara
sistematis kepada mekanik/operator yang
lain. Hingga saat ini kebanyakan
mekanik/operator ketika mengoperasikan
mesin-mesin perkakas seringkali hanya
menggunakan trial and error dalam memilih
besaran cutting speed, feed rate dan depth
of cut, padahal besaran-besaran tersebut
sangat berpengaruh terhadap kualitas hasil
pemesinan serta produktifitas. Dengan
demikian perlu dilakukan penelitian untuk
menganalisa parameter kekasaran
permukaan bahan alumunium jenis Al Mg Si
3.6082 DIN 1725 pada proses CNC Milling.
Permukaan adalah batas yang
memisahkan antara benda padat dengan
sekelilingnya. Jika ditinjau skala kecil pada
dasarnya konfigurasi permukaan merupakan
suatu karakteristik geometri golongan
mikrogeometri, yang termasuk golongan
makrogeometri adalah merupakan
permukaan secara keseluruhan yang
membuat bentuk atau rupa yang spesifik,
misalnya permukaan lubang, permukaan
poros, permukaan sisi dan lain-lain yang
tercakup pada elemen geometri ukuran,
bentuk dan posisi ( Chang- Xue : 2002 ).
Kekasaran permukaan dibedakan menjadi
dua bentuk, diantaranya :
1. Ideal Surface Roughness, yaitu :
kekasaran ideal yang dapat dicapai
dalam suatu proses permesinan dengan
kondisi ideal.
~34~
JURNAL AUSTENIT
2. Natural Surface Roughness, yaitu :
kekasaran alamiah yang terbentuk dalam
proses permesinan karena adanya
beberapa faktor yang mempengaruhi
proses permesinan diantaranya :
a. Keahlian operator,
b. Getaran yang terjadi pada mesin,
c. Ketidaktepatan gerakan komponen-
komponen mesin,
d. Ketidakteraturan feed mechanisme,
e. Adanya cacat pada material,
f. Gesekan antara chip dan material.
Gambar 1: Profil Kurva Kekasaran
Berdasarkan profil kurva kekasaran di
atas, dapat didefinisikan beberapa
parameter permukaan, diantaranya :
1. Penyimpangan rata-rata aritmatik dari
garis rata-rata profil Ra (μm), yaitu : nilai
rata-rata absolut penyimpangan yang
diukur dari garis rata-rata ( center line )
profil efektif.
(1)
M = luas keseluruhan ( arsiran ) di atas
dan di bawah center line.
l = panjang uji ( evaluation length )
2. Heigth of Roughness Curve Rt (μm)
Ketidakrataan ketinggian maksimum Rt
(μm) adalah jarak antara dua gari
sejajar yang menyinggung profil pada titik
tertinggi dan terendah antara panjang
bagian yang diuji.
3. Ketidakrataan Ketinggian Sepuluh Titik
Rz (μm).
Ketidakrataan ketinggian maksimum
sepuluh titik Rz adalah jarak rata-rata
antara lima puncak tertinggi dan lima
lembahan terdalam disepanjang bagian
yang diuji, yang diukur dari garis sejajar
dengan garis rata-rata disepanjang
evaluation length.
( ) (2)
 JURNAL AUSTENIT VOLUME 4, NOMOR 1, APRIL 2012

3. ANALISA DATA

Untuk menganalisa data dari hasil

eksperimen menggunakan model Multiple
regretion linear digunakan untuk
Gambar 2: Kurva Kekasaran dan memprediksikan faktor-faktor yang
Perhitungan Rz mempengaruhi tingkat kekasaran
permukaan. Model regresi linear berasumsi
Dari beberapa parameter permukaan bahwa ada hubungan linear antara variabel
yang tersebut di atas, parameter Ra relatif dependen, yaitu tiap prediktor, diantaranya
lebih banyak digunakan untuk faktor cutter speed, depth of cut dan feed
mengidentifikasi permukaan. Parameter Ra rate. Hubungan tersebut digambarkan
cocok digunakan untuk memeriksa kualitas dengan persamaan Walpole sebagai
permukaan komponen mesin yang telah berikut:
dilakukan proses permesinan tertentu [4].
Dibandingkan dengan parameter lain, nilai +e (3)
Ra lebih sensitif terhadap perubahan atau
penyimpangan yang terjadi pada proses Dimana :
permesinan. Dengan demikian pencegahan Y = nilai keka aran permukaan (μm)
dapat dilakukan dengan cepat jika ada n = cutting speed (rpm)
tanda-tanda bahwa ada kenaikan f = feed rate (mm/menit)
kekasaranya (misalnya dengan cara t = depth of cut (mm)
mengganti perkakas potong atau cara yang e = nilai kesalahan model regresi
lain). Regresi linier menunjukan model yang
representatif berdasarkan nilai koefesien
korelasi R. Nilai R mengindikasikan adanya
2. BAHAN DAN METODE hubungan linier yang kuat antara variabel
independen terhadap nilai kekasaran
Pelaksanaan pengambilan data permukaan. Penentuan variabel independen
dalam proses penelitian ini, dilakukan yang siqnifikan sebagai prediktor variabel
dengan melakukan eksperimen. dependen didasarkan pada nilai siqnificance
1. Bahan/material yang digunakan adalah level yang kurang dari 0,05 dan tingkat
Al Mg Si 3.6082 DIN 1725 kontribusi variable independen ditentukan
2. Peralatan yang digunakan adalah : berdasarkan nilai standardized coefficient.
- Pahat/cutter milling diameter 40 mm Semakin besar nilai standardized coefficient,
tipe/merek Taegutec Xomt 060204 TT semakin besar pula kontribusinya terhadap
9030 model regresi.
- Mesin CNC Frais
- Alat uji kekasaran TR 200/Qualitest
3. Variable Penelitian 4. HASIL DAN PEMBAHASAN

Tabel 1. Variabel Penelitian 4.1 Hasil Penelitian

Cutter Feed Dept Kekasaran
Speed Rate of cut Rata-rata Tabel 2. Nilai Kekasaran Permukaan Hasil
Perc.
n f (mm/ a Eksperimen
(rpm) menit) (mm) (μm)
f
1 250 90 0,75 N a Ra
NO (mm/
2 500 90 0,75 (rpm) (mm) (μm)
ment)
3 750 90 0,75 1 250 0,67375
4 1000 90 0,75 2 500 0,3895
5 1200 90 0,75 I 3 750 90 0,75 0,2645
6 800 25 0,75 4 1000 0,17525
7 800 50 0,75 5 1200 0,1415
8 800 75 0,75 1 25 0,704
9 800 100 0,75 2 50 0,602
10 800 150 0,75 II 3 800 75 0,75 0,49675
4 100 0,24175
11 800 90 0,2
5 150 0,30275
12 800 90 0,4
1 0,2 0,12075
13 800 90 0,6 2 0,4 0,1455
14 800 90 0,8 III 3 800 90 0,6 0,23425
15 800 90 1 4 0,8 0,17525
5 1 0,26225

~35~
 VOLUME 4, NOMOR 1, APRIL 2012 JURNAL AUSTENIT

4.2 Pembahasan digunakan untuk menilai kelayakan variabel

independen cutting speed, feed rate dan
Hasil eksperimen dikalkulasi dengan dept of cut dalam kaitannya dengan variabel
menggunakan software SPSS 20 seperti dependen surface roughness. Ternyata
tabel-tabel di bawah ini, variabel-variabel independen tersebut sudah
layak untuk memprediksi variabel dependen
Tabel 3. Statistik Deskriptif surface roughness, karena ketentuan Std.
Mean
Std.
N Error of the Estimate < nilai standard
Deviation
deviasi, dimana besar standard deviasinya
Surface
roughness
,32865 ,198418 15 adalah 0,198418.
Cutting speed 780,00000 205,113209 15
Feed rate 86,66667 26,163406 15 Tabel 6. ANOVA
Dept of cut ,700000 ,1841971 15 Sum of Mean
Model df F Sig.
Squares Square
Regression ,385 3 ,128 8,466 ,003b
1 Residual ,167 11 ,015

Tabel 4. Korelasi Total ,551 14

Surface Cutting Feed Dept of a. Dependent Variable: Surface roughness
roughnes speed rate cut b. Predictors: (Constant), Dept of cut, Cutting speed, Feed rate
s
Surface
1,000 -,545 -,554 ,329
roughness
Cutting
Pearson speed
-,545 1,000 -,013 -,028 Hasil uji ANOVA menghasilkan F
Correlation
Feed rate -,554 -,013 1,000 -,037
sebesar 8,466 dengan tingkat siqnifikan
Dept of (angka probabilitas) sebesar 0,003. Karena
,329 -,028 -,037 1,000
cut F < 0,05, maka model regresi ini sudah
Surface
. ,018 ,016 ,116 layak digunakan dalam memprediksi nilai
roughness
Cutting
Sig. (1- speed
,018 . ,481 ,460 surface roughness. Apakah dengan variabel
tailed) independen cutting speed, feed rate dan
Feed rate ,016 ,481 . ,448
Dept of
,116 ,460 ,448 . dept of cut akan mempengaruhi nilai surface
cut
Surface
15 15 15 15
roughness, untuk mencari solusinya perlu
roughness
Cutting
dilakukan pengujian dengan menggunakan
15 15 15 15
N
speed angka F dari output ANOVA; dengan cara
Feed rate 15 15 15 15 membuat hipotesis dengan bunyi sebagai
Dept of
15 15 15 15 berikut :
cut
H0 : Cutting speed, feed rate, dan dept of
cut tidak berpengaruh terhadap nilai
Tabel 4 tersebut menunjukan bahwa surface roughness.
besar hubungan antara variabel surface H1 : Cutting speed, feed rate, dan dept of
raoughness dengan cutting speed ialah cut berpengaruh terhadap nilai
-0,545 dan feed rate ialah -0,554, artinya surface roughness.
makin meningkat besar cutting speed dan Dengan ketentuan :
feed rate maka nilai surface roughness  Jika Fhitung (F0) > Ftabel, maka H0 ditolak
makin kecil; artinya tingkat kehalusan dan H1 diterima
permukaan makin halus.
 Jika Fhitung (F0) < Ftabel, maka H0 diterima
dan H1 ditolak
Tabel 5. Ringkasan Model (Koefesien
Menghitung Ftabel dengan tingkat
Determinasi)
Std. Error
kepercayaan 95 % atau α : 0,05;
R Adjusted Durbin-
Model R
Square R Square
of the
Watson
berdasarkan Tabel Distribusi F.05 didapat
Estimate
Ftabel sebesar 3,59. Sehingga Fhitung > Ftabel (
1 ,835a ,698 ,615 ,123057 1,302
8,466 > 3,587), artinya H0 ditolak dan H1
a. Predictors: (Constant), Dept of cut a , Cutting speed n, Feed rate f
b. Dependent Variable: Surface roughness Y diterima dengan kata lain cutting speed,
feed rate, dan dept of cut berpengaruh
Tabel 5 menunjukan bahwa besarnya terhadap nilai surface roughness. Dari tabel
2
R adalah 0,698 atau 69,8 %, artinya bahwa 7 dihasilkan persamaan regresi sebagai
besarnya nilai kekasaran permukaan berikut :
(surface roughness) 69,8 % dipengaruhi
oleh variabel independen cutting speed, Y = 0,880 – 0,001 n – 0,004 f + 0,316 a (4)
fedd rate dan dept of cut sedangkan 30,2 %
dipengaruhi oleh variabel lain selain variabel Koefesien-koefesian pada persamaan
independen tersebut. Nilai Std. Error of the regresi tersebut dilakukan pengujian dengan
Estimate (SEE) pada tabel adalah 0,123057 menggunakan angka siqnifikansi untuk

~36~
 JURNAL AUSTENIT VOLUME 4, NOMOR 1, APRIL 2012

mengetahui apakah koefesien regresi 3. Untuk variabel dept of cut thitung sebesar
siqnifikan atau tidak. 1,767, pengujian hipotesisnya adalah
sebagai berikut :
Tabel 7. Koefesien Regresi
Standar
Unstandardi
dized
zed
Coeffici
Model Coefficients t Sig.
ents H0, No H0, Yes H0, Yes H0, No
Std.
B Beta
Error
(Constant) ,880 ,216 4,078 ,002
Cutting speed -,001 ,000 -,544 -3,279 ,007
1
Feed rate -,004 ,001 -,551 -3,319 ,007 0 1,767 2,160
Dept of cut ,316 ,179 ,293 1,767 ,105
a. Dependent Variable: Surface roughness
Karena thitung sebesar 1,767 jatuh di daerah
penolakan, maka H0 ditolak dan H1
diterima. Artinya koefesien regresinya
Bentuk hipotesisnya adalah sebagai siqnifikan.
berikut:
H0 adalah koefesien regresi tidak siqnifikan Tabel 8. Casewise Diagnostics
H1 adalah koefesien regresi siqnifikan Case Std. Surface Predicted Residual
Number Residual roughness Value
Dengan ketentuan sebagai berikut : 1 ,524 ,674 ,60932 ,064432
degree of freedom (df) = 15 – 2 = 13 2 -,718 ,390 ,47781 -,088311
Hipotesisnya dianalisa dengan ketentuan : 3
4
-,665
-,321
,265
,175
,34630
,21480
-,081804
-,039547
 Jika thitung < ttabel , maka H0 diterima dan 5 ,259 ,142 ,10959 ,031909
6 ,915 ,704 ,59139 ,112607
H1 ditolak 7 ,934 ,602 ,48701 ,114988
 Jika thitung > ttabel , maka H0 ditolak dan H1 8 ,927 ,497 ,38263 ,114119
9 -,297 ,242 ,27825 -,036500
diterima 10 1,896 ,303 ,06949 ,233262
Angka ttabel = 2,160 untuk pengujian 11 -,208 ,121 ,14631 -,025558
12 -,520 ,146 ,20947 -,063969
hipotesisnya adalah sebagai berikut : 13 -,312 ,234 ,27263 -,038381
1. Angka thitung untuk variabel cutting speed 14 -1,305 ,175 ,33579 -,160543
15 -1,111 ,262 ,39895 -,136704
sebesar -3,279, maka pengujian a. Dependent Variable: Surface roughness
hipotesisnya menggunakan grafik seperti
di bawah ini.
Makin kecil angka residual dan
standard residual memberikan makna
H0, No H0, Yes H0 Yes Ho, No bahwa persamaan regresi yang akan
digunakan untuk memprediksi nilai
kekasaran makin baik.
-3,279 -2,160 0

Karena thitung sebesar -3,279 jatuh di daerah 5. KESIMPULAN DAN SARAN

penolakan (No), maka H0 ditolak dan H1
diterima. Artinya koefesien regresinya 5.1 Kesimpulan
siqnifikan
2. Untuk variabel feed rate thitung sebesar - - Nilai kekasaran permukaan (Ra) terbukti
3,319, pengujian hipotesisnya adalah dipengaruhi oleh cuttibg speed (n), feed
sebagai berikut : rate (f) serta depth of cut (a).
- Model persamaan regresi linier Y = 0,880
– 0,001 n – 0,004 f + 0,316 a, cocok
untuk memprediksi nilai kekasaran hasil
pemesinan CNC Milling untuk bahan
H0, No H0, Yes H0, Yes H0, No alumunium jenis Al Mg Si 3.6082 DIN
1725 dengan pahat/cutter HSS diameter
40 mm.
2
-3,319 -2,160 0
- Besarnya R adalah 0,698 atau 69,8 %,
artinya bahwa besarnya nilai kekasaran
Karena thitung sebesar -3,319 jatuh di daerah permukaan (surface roughness) 69,8 %
penolakan, maka H0 ditolak dan H1 dipengaruhi oleh variabel independen
diterima. Artinya koefesien regresinya cutting speed, fedd rate dan dept of cut
siqnifikan. sedangkan 30,2 % dipengaruhi oleh

~37~
 VOLUME 4, NOMOR 1, APRIL 2012
variabel lain selain variabel independen
tersebut.
5.2 Saran
- Perlu dilakukan penelitian sejenis dengan
melakukan perubahan besarnya dept of
cut dengan variasi data yang atraktif.
- Persamaan regresi ini lebih cocok untuk
besaran dept of cut maksimum 1 mm.
DAFTAR PUSTAKA
1. Chang-Xue. (2002), Surface Roughness
Predictive Modeling: Neural Networks
versus Regression. Departmen of
Industrial & Manufacturing Engineering,
College of Engineering and Technology
Bradley University: Illinois USA.
2. Huang L, Chen, J.C, 2001, A Multiple
Regression Model to Predict In-process
Surface Roughness in Turning Operation
Via Accelerometer, Journal of Industial
Technology,Vol. 17, No. 2, February to
April 2001, http://www.nait.org.
3. Handoko, B. Tulung Prayogo, (2012), “
Studi Parameter Pemesinan Optimum
Pada Operasi CNC End Milling Finishing
Bahan Alumunium:,Universitas Gajah
Mada,
http://www.scribd.com/doc/25352002/Stu
di-Paramater-Pemesinan-Optimum-
Pada-Operasi-Cnc, 25 Maret 2012.
4. Herman Saputro dan Sunaryo,” Predik i
Kekasaran Permukaan Baja ST 40
~38~
JURNAL AUSTENIT
Berbasis Model Analisa Regresi Ganda
pada Peme inan CNC Frai ”, Univer ita
Sebelas Maret Surakarta,
http://www.docstoc.com/docs/113842922
/Prediksi-Kekasaran-Permukaan-Baja-
ST-40-Berbasis-Model-Analisa-Regresi-
Ganda-Pada-Pemesinan-CNC-Frais, 25
Februari 2012
5. Jerard, R.B., et al, 2001, Online
Optomozation of Cutting Conditions for
NC Machining, 2001 NSF Design,
Manufacturing and Industrial Innovation
Resaech Conference, January 7-10-
2001, Tampa, Florida.
6. Jonathan Sarwono, 2012,”Aplika i untuk
Riset Eksperimental”, PT Elex Media
Komputindo, Jakarta.
7. Yang, JL., Chen, JC., 2001, “A Sytematic
Approach for Identifying Optimum
Surface Roughness Performance in End
Milling Operations”, Journal of Industrial
Technology, Vol. 17, No. 2, February to
April 2001, http://www.nait.org.
RIWAYAT PENULIS
Nama : Moch Yunus, S.T.,M.T
NIP : 195706161985031003
Tempat dan
tanggal lahir : Semarang, 16 Juni 1957
Pekerjaan : Dosen Teknik Mesin Polsri
Pendidikan : S2 Teknik Mesin